基于BDD的增量启发式搜索

增量搜索是一种利用先前的搜索信息提高本次搜索效率的方法,通常可以用来解决动态环境下的重规划问题.在人工智能领域,一些实时系统常常需要根据外界环境的变化不断修正自身,这样就会产生一系列变化较小的相似问题,此时应用增量搜索将会非常有效.另外,基于BDD(binary decision diagram)的启发式搜索,结合了基于BDD的搜索和启发式搜索这两种方法的优点.它既用BDD这一紧凑的数据结构来表示系统的状态空间,又通过使用启发信息来进一步压缩搜索树的大小.在介绍基于BDD的启发式搜索和增量搜索之后,结合这两种方法给出了基于BDD的增量启发式搜索算法--BDDRPA*.大量的实验结果表明,BDDRPA*算法是非常有效的,它可以被广泛地应用到智能规划、移动机器人问题等领域中.     

状态空间的启发式搜索方法研究

对人工智能中用于状态空间问题求解的启发式搜索方法--A算法和A*算法进行了详细分析,并指出了影响搜索算法启发能力的主要因素和提高搜索效率的措施.     

状态空间的启发式搜索方法研究

对人工智能中用于状态空间问题求解的启发式搜索方法－A算法和A^*算法进行了详细分析，并指出了影响搜索算法启发能力的主要因素和提高搜索效率的措施。     

一种实时多目标路径规划方法

提出一种利用实时搜索思想的多目标路径规划方法.首先设计并实现局部路径规划算法,在有限的局部空间内执行启发式搜索,求解所有局部非支配路径;在此基础上,提出实时多目标路径规划方法,设计并实现相应的启发式搜索算法,在线交替执行局部搜索过程、学习过程与移动过程,分别用于求解局部空间内的最优移动路径,完成状态的转移和更新状态的启发信息,最终到达目标状态.研究表明,实时多目标启发式搜索算法通过限制局部搜索空间,避免了大量不必要的计算,提高了搜索效率,能够高效地求解多目标路径规划问题.     

MAS系统的问题求解能力分析

本文用状态空间搜索模型分析了多Agent系统(MAS)的问题求解能力，认为MAS系统中Agent之间知识的组合应用和对问题搜索方向的交互和决策是影响MAS系统问题求解能力的主要原因，在状态空间搜索模型下可以将Agent间知识的组合应用表达为不同Agent的搜索路径的组合，而Agent对搜索方向的判断是基于启发式信息做出的，从而为形式化分析MAS系统的性能建立了通用的模型．本文以A*算法为例探讨了可采纳算法下多Agent合作求解效果与Agent的知识和启发信息之间的关系，指出只有在一定条件下MAS系统才会获得更好的解题能力．本文还对非可采纳算法下MAS系统性能分析方法提出了初步看法．     

基于粗糙集理论的增量式规则获取

基于粗糙集理论提出了一种新的规则提取算法：基于粗糙集和搜索树的规则提取算法。该算法是以现有规则集中的信息为启发信息,通过对解空间进行宽度优先启发式搜索,产生新规则。以该算法为基础,产生关于新增对象的规则,并对现有规则进行更新。     

网络的粒度存储及在路径搜索中的应用

网络路径搜索是图论中的经典问题,对于大规模网络的最短路径搜索问题是人工智能领域研究热点问题。应用粒计算方法求解问题的思路实现网络的粒度存储,讨论不同基本类型的网络粒化,提出分层递阶商空间链实现网络的粒度存储。就大规模网络,提出社团作为基本粒的网络快速分割方法,实现网络的粒度存储。并将网络的粒度存储的分层递阶商空间链信息作为路径搜索前的预处理工作,提出一种启发式路径搜索方法。通过实验与启发式算法进行对比,验证了该算法的有效性。     

启发式搜索问题研究

探讨了问题空间中的启发式搜索技术,给出了构造启发式函数的基本方法,指出提高启发能力的措施和影响启发式搜索效率的主要因素。     

人工智能中求解八数码问题算法的实现与分析

针对八数码问题的求解,给出了深度优先搜索、广度优先搜索和启发式搜索(譬如A*算法)之间的算法比较,通过实验验证各种算法并得出结论:在通常情况下,采用启发式搜索算法来进行状态空间的搜索更为方便、高效。     

基于粗糙集的启发式属性约简算法

对现有启发式属性约简算法进行分析,通过实例说明一般启发式算法求得的相对约简有冗余属性存在的问题.针对这一不足,利用粗糙集理论中的条件熵作为启发信息,来缩小搜索空间,并在算法中加入消除冗余属性的二次约简过程,得到一种改进的启发式属性约简算法.提供了实例分析,验证了该改进算法具有较好的约简效果.     

求解八数码问题的几种搜索算法比较

本文针对八数码问题的求解,给出了深度优先搜索、广度优先搜索和启发式搜索之间的算法比较,并得出结论：在通常情况下,采用启发式搜索算法来进行状态空间的搜索更为方便、快捷。     

决策表的约简及其在入侵检测中的应用

属性约简是粗糙集理论中的基础问题,由于属性约简属于一个NP-hard问题,现在主要采用的是引入启发信息来减少搜索空间.分析和研究了属性约简的启发式算法,对其中的属性频度进行了改进,并用实验的形式分析了其在入侵检测中的应用.     

用于求解旅行商问题的深度智慧型蚁群优化算法

启发式算法是求解组合优化问题求解的重要手段,其主要特征是能够以可接受的计算代价找到足够好的可行解.然而,设计良好的用于求解组合优化问题的启发式算法需要大量的专业领域知识以及大量的试错工作,且人工设计的启发式算法不能够保证在不同问题集上均具有一致性表现.另一方面,深度学习方法能够通过学习自动设计启发式规则,然而深度学习方法通常缺少在解空间内搜索的能力.为克服以上问题,提出了一种基于蚁群优化和深度强化学习的混合启发式算法框架.在该框架中,蚁群算法能够利用深度强化学习提取的启发式信息,而深度强化学习方法的解空间搜索性能也由于蚁群算法的加入而获得提高.采用经典的TSPLIB中的算例对该算法求解旅行商问题的效能进行了计算验证,结果表明采用深度学习方法能够极大地提升蚁群算法的计算表现,并降低其计算代价.     

关于启发式搜索算法的改进策略分析

启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估,得到最好的位置,再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径。本文拟从前人的基础上得到一个启发评价函数,并得到一种修正算法。从而改进其效率。     

基于变精度粗集和搜索树的增量规则获取算法

基于可变精度粗糙集模型和搜索树提出了一种新的增量式规则获取算法。该算法引入可变精度粗糙集模型以已获取规则集为启发信息,通过对解空间进行深度优先启发式搜索产生新的不确定性规则;并通过对原有规则置信度的更新,给出了原有规则集的更新算法;最后给出了实例分析。     

一个因素化SARSA（λ）激励学习算法

基于状态的因素化表达,提出了一个新的SARSA（λ）激励学习算法,其基本思想是根据状态的特征得出状态相似性启发式,再根据该启发式对状态空间进行聚类,大大减少 了空间搜索与计算的复杂度,因此比较适用于求解大状态空间的MDPs问题。     

一类基于启发式搜索的激励学习算法

激励学习已被证明是在控制领域中一种可行的新方法。相比其他的方法,它能较好地处理未知环境问题,但它仍然不是一种有效的方法。幸运的是,在现实世界中,智能体总是会有一些环境的先验知识,这些能形成启发式信息。启发式搜索是一种常用的搜索方法,有很快的搜索速度,但需要精确的启发式信息,这在有些时候难以得到。文中分析比较了启发式搜索和激励学习的各自特点,提出一类新的基于启发式搜索的激励学习算法,初步的实验结果显示了较好的性能。     

模式数据库在智能规划中的应用

该规划器通过对智能规划领域里传统的构造模式数据库的方法进行改进,从而改进模式数据库启发式的效率：通过分析和移除一些在实际问题空间里不可能存在对应的完整状态的模式有效地减少了模式数据库的构造时间,并提高了模式数据库启发值的紧致性,使得模式数据库启发式能更好的指导搜索算法以求得问题的最优解。该规划器在linux系统下设计,通过使用规划器解决积木世界领域的规划问题来研究改进前后模式数据库启发式在搜索过程中所起的作用。     

一类基于启发式搜索的激励学习算法

激励学习已被证明是在控制领域中一种可行的新方法。相比其他的方法，它能较好地处理未知环境问题，但它仍然不是一种有效的方法。幸运的是，在现实世界中，智能体总是会有一些环境的先验知识，这些能形成启发式信息。启发式搜索是一种常用的搜索方法，有很快的搜索速度，但需要精确的启发式信息，这在有些时候难以得到。文中分析比较了启发式搜索和激励学习的各自特点，提出一类新的基于启发式搜索的激励学习算法，初步的实验结果显示了较好的性能。     

基于八数码游戏的两种搜索策略比较

利用状态空间法描述八数码问题,将其抽象成为一个从起始状态搜索到达目标状态的路径的问题,并在Visual C++6.0环境下,用C++语言实现了其盲目搜索和启发式搜索算法。其中,盲目搜索采用的是宽度搜索和深度搜索,启发式搜索策略采用的是有序搜索。通过比较两种搜索策略的时间复杂度和空间复杂度,在搜索步骤较多的情况下,启发式搜索具有明显的优势,并在此结论的基础上分析了启发式搜索具有优势的原因。